CN110536308A - 一种基于博弈的多节点计算卸载方法 - Google Patents

Abstract

本发明公开了一种多节点计算卸载方法，该方法应用于包括一组N＝{1,2，...，N}并列的边缘服务节点和一个边缘服务中心的计算系统中，边缘服务节点和一个边缘服务中心之间通过无线中继设备通信连接，其中所述方法包括入下步骤：(1)计算边缘服务节点的通信模型和计算模型；(2)计算边缘服务中心的通信模型和计算模型；(3)进行多节点卸载博弈计算；(4)进行多节点的计算任务卸载博弈的纳什均衡状态下的决策。

Description

一种基于博弈的多节点计算卸载方法

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于博弈的多节点计算卸载方法。

背景技术

在抗洪抢险、地震救灾等场景中，普遍面临着通信被毁、基础设施瘫痪的现状，使得现场单位和人员难以获取稳定可靠信息服务保障。在这类场景中，手持或背负式终端设备、无人机、指挥通信保障车辆等可使用的信息服务节点具有数量多、分布广、弱连接、高动态、低时延和可靠性需求高的特点。由于现场态势瞬息万变，自然灾害、信号干扰或技术故障等危险时刻存在，与远端的数据中心的通信经常受限甚至频繁中断，极易导致不可预期的数据处理时延和不可估量的损失。因此，为高时效地完成数据的处理与反馈，利用机动边缘的资源就近处理数据成为必然选择。然而，单个边缘服务节点或中心的计算资源非常受限，在时延容忍范围内难以独立完成复杂多样的数据处理任务。针对这一突出矛盾，应采取基于协同边缘的计算卸载方法，将计算复杂度高的数据处理任务分解为简单的细粒度任务组件集，打散到不同节点去协同执行，以降低单个资源受限节点的执行延迟并减少其能耗。

当任务卸载主体(即计算能力相对受限的服务节点或中心)根据协同方式确定其对应的任务卸载客体(即计算能力有所富余的服务节点或中心)，则进一步需要确定具体如何计算卸载。常见的计算卸载策略是基于任务特征的自适应卸载，任务卸载主体依据自身计算能力、网络带宽、卸载客体的计算能力等因素，对自身计算任务自适应地分解和卸载，实现数据的高效处理与反馈；然而，面向实际场景中，多用户，多边缘服务节点情况下，单一的自适应方式表现并不理想，因此必须解决面向多节点的节能计算卸载问题。为此本发明提出了一种基于博弈的多节点计算卸载方法，构建出计算卸载的多用户博弈模型，以分布式算法逼近最优结果，实现了高效的任务卸载。

发明内容

为实现本发明之目的，采用以下技术方案予以实现：

一种多节点计算卸载方法，该方法应用于包括一组N＝{1,2，...， N}并列的边缘服务节点和一个边缘服务中心的计算系统中，边缘服务节点和一个边缘服务中心之间通过无线中继设备通信连接，所述方法包括以下步骤：

(1)计算边缘服务节点的通信模型和计算模型；

(2)计算边缘服务中心的通信模型和计算模型；

(3)进行多节点卸载博弈计算；

(4)进行多节点的计算任务卸载博弈的纳什均衡状态下的决策。

所述的多节点计算卸载方法，其中所述步骤(1)包括：

通信模型计算如下：设在边缘服务节点和边缘服务中心之间存在M个无线信道，并且该组信道表示为M＝{1,2，...，M}，若边缘服务节点n选择信道a_n对计算任务进行卸载，则定义a_n>0，若边缘服务节点n选择在本地处理计算任务，则a_n＝0，由此得到决策结果： a＝(a₁,a₂,...,a_N)，对于a_n>0的情况，计算边缘服务节点n的上行数据传输速率：

其中，w是信道带宽，q_n是节点n的传输功率，g_n,s为边缘服务节点与无线中继设备之间的信道增益，表示背景噪声，a_i表示所有征用信道a_n的节点；

计算模型计算如下：设边缘服务节点n拥有任务J_n＝(b_n,d_n)，可以在节点本身执行，也可以在边缘服务中心执行，其中，b_n表示输入数据大小，d_n表示完成该任务所需要的总的CPU时钟周期数，计算任务在本地计算过程中，表示在边缘服务节点n上执行该任务的CPU 的工作频率，则本地执行任务所需的时间为：

能耗表示为：

c_n表示每一个时钟周期内，计算该任务所消耗的能量，因此在边缘服务节点计算任务的总开销为：

其中，分别表示节点n决策时间和能量的加权参数。

所述的多节点计算卸载方法，其中所述步骤(2)包括：

在计算任务卸载至边缘服务中心进行计算的过程中，其时间消耗和能量消耗分别为：

L_n是尾能量，r是传输速率，定义在边缘服务中心计算该任务的能力即CPU的工作频率为则任务在边缘服务中心的计算时间为：

决策整个卸载过程，所需要的时间和能量的总开销为：

所述的多节点计算卸载方法，其中所述步骤(3)包括：

给定边缘服务节点n的计算卸载决策a_n，如果卸载至边缘服务中心不会产生比本地计算方法更高的开销，则选择计算任务卸载方法即 a_n＞0的边缘服务节点n的决策是有益的即

考虑有益计算卸载节点总数的性能指标优化问题，通过如下建模可以得知有益计算卸载节点的最大数量的计算问题是NP难的：

建模：

约束：

其中，I_{A}是直播函数，如果A为真，I_{A}＝1，反之，I_{A}＝0

其次，除了有益计算任务卸载数量的性能指标外，还考虑整个集群范围开销的另一个重要指标，整个集群范围的计算开销，即

min_a∑_n∈NZ_n(a)

约束：

所述的多节点计算卸载方法，其中所述步骤(4)包括：

考虑多个边缘服务节点之间的计算卸载决策问题，定义 a_-n＝(a₁,...,a_n-1,a_n+1,...a_N)是除边缘服务节点n之外的其他节点的计算卸载决策，根据a_-n，边缘服务节点n期望决策出a_n，从而最小化计算开销，即：

根据之前的优化目标，得到边缘服务节点的开销函数：

将上述问题表述为战略博弈：Γ＝(N,{A_n}_n∈N,{Z_n}_n∈N)，其中N是边缘服务节点的集合，A_n是边缘服务节点n的策略，Z_n(a_n,a_-n)是边缘服务节点n的最小化成本开销函数；

定义纳什均衡策略：是多节点的计算任务卸载博弈的纳什均衡状态下的决策，如果处于纳什均衡，

没有边缘服务节点可以单方面减少其开销，即：

具体实施方式

下面对本发明的具体实施方式进行详细说明。

①模型定义

本项目中考虑一组N＝{1,2，...，N}并列的边缘服务节点，其中每个节点具有要完成的计算任务。存在无线中继设备，比如卫通设备等，边缘服务节点可以通过其将计算任务卸载至边缘服务中心。由于通信和计算都在计算卸载过程中起着关键作用，因此分别介绍通信和计算模型。

通讯模型，存在无线中继设备，其管理边缘服务节点的上行链路和下行链路通信，存在M个无线信道，并且该组信道表示为M＝ {1,2，...，M}，此外，我们将{0}∪M表示为移动设备用户n的计算卸载决策，若边缘服务节点n选择信道a_n对计算任务进行卸载，定义 a_n>0，若边缘服务节点n选择在本地处理计算任务，a_n＝0，由此得到决策结果：a＝(a₁,a₂,...,a_N)，对于a_n>0的情况，可以计算节点n的上行数据传输速率：

其中，a表示计算卸载决策，w是信道带宽，q_n是节点n的传输功率， g_n,s为边缘服务节点与无线中继设备之间的信道增益，表示背景噪声，a_i表示所有征用信道a_n的节点，从该模型中可以看出，如果太多的边缘服务节点选择在计算卸载期间同时通过相同的无线中继信道卸载计算，则它们可能引起严重干扰，导致很低的数据传输速率。

计算模型定义过程中，边缘服务节点n拥有任务J_n＝(b_n,d_n)，可以在节点本身执行，也可以在边缘服务中心执行，其中，b_n表示输入数据大小(比如程序代码、或参数)，d_n表示完成该任务所需要的总的CPU时钟周期数。

计算m任务在本地计算过程中，表示在边缘服务节点n上执行该m任务的CPU的工作频率，不同边缘服务节点，有不同的计算能力，则本地执行任务所需的时间为：

能耗表示为：

c_n表示每一个时钟周期内，计算该任务所消耗的能量，因此在边缘服务节点计算任务的总开销为：

其中，分别表示节点n决策时间和能量的加权参数。

在计算任务卸载至边缘服务中心进行计算的过程中，其时间消耗和能量消耗分别为：

L_n是尾能量(传输数据后，继续保持一段时间信道连接所消耗的能量)，r是传输速率，两式中上标c表示消耗。

定义在边缘服务中心计算该任务的能力即CPU的工作频率为则任务在边缘服务中心的计算时间为：

决策整个卸载过程，所需要的时间和能量的总开销为：

②多节点计算卸载博弈

通过定义通讯模型和计算模型可以看出，如果太多的边缘服务节点同时选择通过相同的无线信道将计算任务卸载到边缘服务中心，则它们可能引起严重的干扰，这将导致低数据传输速率。当边缘服务节点n的数据传输速率较低时，边缘服务节点在本地进行任务计算可以避免长时间的卸载传输和高能耗。基于这种观察，给出有益计算卸载的定义：

给定边缘服务节点n的计算卸载决策a_n，如果卸载至边缘服务中心不会产生比本地计算方法更高的开销，则选择计算任务卸载方法 (即a_n＞0)的边缘服务节点n的决策是有益的(即)。

考虑有益计算卸载节点总数的性能指标优化问题，通过如下建模可以得知有益计算卸载节点的最大数量的计算问题是NP难的，即没有最优解。

建模：

约束：

其中，I_{A}是直播函数，如果A为真，I_{A}＝1，反之，I_{A}＝0，当计算决策为卸载时，I等于1，该公式表示追求最多的有益计算卸载行为。

其次，除了有益计算任务卸载数量的性能指标外，还考虑整个集群范围开销的另一个重要指标，整个集群范围的计算开销，即

min_a∑_n∈NZ_n(a)，Z标示某个具体计算决策带来的开销，上述表示追求整体消耗最小的状态；

约束：

同样的，用于最小化集群范围开销的集中优化问题也是NP难的。

③博弈规则

考虑多个边缘服务节点之间的计算卸载决策问题，定义 a_-n＝(a₁,...,a_n-1,a_n+1,...a_N)是除边缘服务节点n之外的其他节点的计算卸载决策，根据a_-n，边缘服务节点n期望决策出a_n，从而最小化计算开销，即：

该公式表示决策a_n带来最小的整体计算开销；

根据之前的优化目标，我们可以得到边缘服务节点的开销函数：

a_n＝0时，

a_n＞0时，

将上述问题表述为战略博弈：Γ＝(N,{A_n}_n∈N,{Z_n}_n∈N)，其中N是边缘服务节点的集合，A_n是边缘服务节点n的策略，Z_n(a_n,a_-n)是边缘服务节点n的最小化成本开销函数。

定义纳什均衡策略：是多节点的计算任务卸载博弈的纳什均衡状态下的决策，如果处于纳什均衡，没有边缘服务节点可以单方面减少其开销(即使得每个参与者的策略是对其他参与人策略的最优反应，形成均衡后，单个参与者行为的改变并不会降低整体消耗，计算卸载这一群体决策行为达到一种相对稳定的均衡状态。)，即：

也就是说，如果处于纳什均衡状态时，若边缘服务节点选择卸载其计算任务至边缘服务中心，则该边缘服务节点的决策一定是有益卸载决策。这是因为选择卸载计算任务的节点如果不是处于均衡状态的有益卸载决策，那么该节点可以通过仅切换到本地计算方法来改善其益处，这与节点无法单方面改善的事实相矛盾。此外，纳什均衡还确保了良好的自稳定性，使得处于均衡状态的边缘服务节点可以实现相互满意的解决方案，并且没有用户具有偏离的动机。该属性对于多节点计算卸载问题非常重要。至此，将获得整个系统中，每一个边缘服务节点对于本身所运行的任务是否需要进行卸载的决策，同时这些决策又遵守纳什均衡的原则。多用户集中式卸载问题的最优解是NP难的。本发明提出了一种高效的多节点计算卸载方法，综合考虑计算任务执行效率和能耗因素，运用博弈论原理最求最佳整体表现，使得计算任务能够高时效地就近完成数据的处理与反馈，推动了边缘计算场景下的计算卸载技术实用化。

Claims (2)

1.一种多节点计算卸载方法，该方法应用于包括一组N＝{1,2，...，N}并列的边缘服务节点和一个边缘服务中心的计算系统中，边缘服务节点和一个边缘服务中心之间通过无线中继设备通信连接，其特征在于所述方法包括以下步骤：

(1)计算边缘服务节点的通信模型和计算模型；

(2)计算边缘服务中心的通信模型和计算模型；

(3)进行多节点卸载博弈计算；

(4)进行多节点的计算任务卸载博弈的纳什均衡状态下的决策。

2.根据权利要求1所述的多节点计算卸载方法，其特征在于所述步骤(1)包括：

通信模型计算如下：设在边缘服务节点和边缘服务中心之间存在M个无线信道，并且该组信道表示为M＝{1,2，...，M}，若边缘服务节点n选择信道a_n对计算任务进行卸载，则定义a_n>0，若边缘服务节点n选择在本地处理计算任务，则a_n＝0，由此得到决策结果：a＝(a₁,a₂,...,a_N)，对于a_n>0的情况，计算边缘服务节点n的上行数据传输速率：

其中，w是信道带宽，q_n是节点n的传输功率，g_n,s为边缘服务节点与无线中继设备之间的信道增益，表示背景噪声，a_i表示所有征用信道a_n的节点；

计算模型计算如下：设边缘服务节点n拥有任务J_n＝(b_n,d_n)，可以在节点本身执行，也可以在边缘服务中心执行，其中，b_n表示输入数据大小，d_n表示完成该任务所需要的总的CPU时钟周期数，计算任务在本地计算过程中，表示在边缘服务节点n上执行该任务的CPU的工作频率，则本地执行任务所需的时间为：

能耗表示为：

c_n表示每一个时钟周期内，计算该任务所消耗的能量，因此在边缘服务节点计算任务的总开销为：

其中， 分别表示节点n决策时间和能量的加权参数。